Risk factors for possible REM sleep behavior disorder
Notice bibliographique
Résumé
OBJECTIVE: To assess sociodemographic, socioeconomic, and clinical correlates of idiopathic REM sleep behavior disorder (RBD) in a 30,097-person national cohort. METHODS: Participants 45 to 85 years of age in Canada were collected as part of the Canadian Longitudinal Study on Aging. Possible RBD (pRBD) was screened with the REM Sleep Behavior Disorder Single-Question Screen, a questionnaire with 94% specificity and 87% sensitivity. To improve diagnostic accuracy, those screening positive for apnea or non-REM parasomnia (young-onset pRBD) and those self-reporting dementia or Parkinson disease were excluded. A series of sociodemographic, lifestyle, and mental health variables were analyzed cross-sectionally. Potential correlates were assessed via multivariable logistic regression. RESULTS: Of 30,097 participants, 958 (3.2%) were identified as having pRBD. Male sex (odds ratio [OR] 2.09, 95% confidence interval [CI] 1.78-2.44) and lower education (OR 0.95, 95% CI 0.92-0.98) were associated with pRBD. Participants with pRBD had smoked more (pack-years OR 1.01, 95% CI 1.00-1.01) and were more likely to be moderate to heavy drinkers (OR 1.25, 95% CI 1.04-1.51). There was a strong association between pRBD and self-reported antidepressant treatment for depression (OR 2.77, 95% CI 2.23-3.45), psychological distress (OR 1.61, 95% CI 1.44-1.80), mental illness (OR 2.09, 95% CI 1.75-2.49), and posttraumatic stress disorder (OR 2.68, 95% CI 1.97-3.65). CONCLUSIONS: Our study replicated previous reported associations between pRBD and smoking, low education, and male sex and found previously unreported links with alcohol use and psychological distress. Risk factors for pRBD differ from those previously defined for neurodegenerative synucleinopathies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».